Barnard testi, sıfır hipotezi altında rahatsızlık parametresi bilinmediğinde kullanılır.
Bununla birlikte, bayan tadım testinde rahatsızlık parametresinin sıfır hipotezi altında 0,5'e ayarlanabileceğini iddia edebilirsiniz (bilgisiz bayan bir bardağı doğru tahmin etme olasılığının% 50'si vardır).
Daha sonra, sıfır hipotezi altında doğru tahmin sayısı bir binom dağılımı haline gelir: her fincan için% 50 olasılıkla 8 fincan tahmin etmek.
Diğer durumlarda, sıfır hipotezi için bu önemsiz% 50 olasılıkınız olmayabilir. Sabit marjlar olmadan bu olasılığın ne olması gerektiğini bilemeyebilirsiniz. Bu durumda Barnard'ın testine ihtiyacınız var.
Barnard'ın çay tadımı bayan testini yapsanız bile, en yüksek p değerine sahip rahatsızlık parametresi 0.5 olduğundan ve önemsiz binom testiyle sonuçlanacağından (sonuç tüm doğru tahminler ise) yine de% 50 olacaktır. aslında biri dört süt ilk fincan için ve diğeri dört çay ilk fincan için olmak üzere iki binom testinin birleşimidir).
> library(Barnard)
> barnard.test(4,0,0,4)
Barnard's Unconditional Test
Treatment I Treatment II
Outcome I 4 0
Outcome II 0 4
Null hypothesis: Treatments have no effect on the outcomes
Score statistic = -2.82843
Nuisance parameter = 0.5 (One sided), 0.5 (Two sided)
P-value = 0.00390625 (One sided), 0.0078125 (Two sided)
> dbinom(8,8,0.5)
[1] 0.00390625
> dbinom(4,4,0.5)^2
[1] 0.00390625
Aşağıda, daha karmaşık bir sonuç için nasıl gidileceği (tüm tahminler doğru değilse, örneğin 2'ye karşı 4), o zaman neyin ve aşırı olmayanın sayılması biraz daha zorlaşır
(Barnard'ın testini kullandığının yanı sıra, 4-2 sonucu olması durumunda, p = 0.686'nın yanlış olduğunu iddia edebileceğiniz bir rahatsızlık parametresi doğru olduğunda, '% önce çay' cevabını verme olasılığının% 50'si için p değeri 0.08203125 olacaktır. Bölgeyi tanımlamak o kadar kolay olmasa da, farklı bir bölge düşündüğünüzde, bunun yerine Wald istatistiklerine dayanan bölge daha da küçülür )
out <- rep(0,1000)
for (k in 1:1000) {
p <- k/1000
ps <- matrix(rep(0,25),5) # probability for outcome i,j
ts <- matrix(rep(0,25),5) # distance of outcome i,j (using wald statistic)
for (i in 0:4) {
for (j in 0:4) {
ps[i+1,j+1] <- dbinom(i,4,p)*dbinom(j,4,p)
pt <- (i+j)/8
p1 <- i/4
p2 <- j/4
ts[i+1,j+1] <- (p2-p1)/sqrt(pt*(1-pt)*(0.25+0.25))
}
}
cases <- ts < ts[2+1,4+1]
cases[1,1] = TRUE
cases[5,5] = TRUE
ps
out[k] <- 1-sum(ps[cases])
}
> max(out)
[1] 0.08926748
> barnard.test(4,2,0,2)
Barnard's Unconditional Test
Treatment I Treatment II
Outcome I 4 2
Outcome II 0 2
Null hypothesis: Treatments have no effect on the outcomes
Score statistic = -1.63299
Nuisance parameter = 0.686 (One sided), 0.314 (Two sided)
P-value = 0.0892675 (One sided), 0.178535 (Two sided)